Créer des agents IA avec des motifs composables

Nous avons passé 3 jours à expérimenter des workflows et des pipelines d’agents dans n8n, en suivant les guides d’Anthropic et d’OpenAI sur la création d’agents IA efficaces.

Découvrez les composants fondamentaux des agents IA, comment choisir les bons composants et outils, ainsi que la construction de workflows d’agents basés sur les motifs simples et composables d’Anthropic, comme le chaînage de prompts, le routage, la parallélisation, les orchestrator workers et un évaluateur-optimiseur :

Comprendre les composants des agents IA

La construction d’agents implique de connecter des composants dans plusieurs domaines tels que les modèles, les outils, les connaissances et la mémoire, et les garde-fous. OpenAI fournit des primitives composables pour chacun :

Source : OpenAI¹

Évidemment, OpenAI place ses propres éléments en premier, mais il existe un vaste écosystème d’alternatives. Selon votre cas d’usage, vous pouvez créer des agents à l’aide de frameworks tels que LangChain, LlamaIndex, CrewAI, ou même des couches d’orchestration personnalisées.

Je vais entrer plus en détail sur chacun de ces composants :

Modèles

Tout d’abord, vous avez le composant des modèles. Ce sont vos modèles d’IA, vos grands modèles de langage qui constituent l’intelligence centrale capables de raisonner, de prendre des décisions et de traiter différentes modalités. Les exemples d’OpenAI pointent vers ses modèles de la série GPT-5.

Selon le type précis d’agent que vous construisez, vous devez choisir un modèle différent au sein de l’écosystème OpenAI. GPT-5.5 est le modèle phare actuel d’OpenAI. Il planifie des tâches en plusieurs étapes, utilise des outils, vérifie son propre travail et continue jusqu’à ce qu’une tâche soit terminée. Pour les questions quotidiennes, les modes plus légers de GPT-5.5 répondent plus vite et coûtent moins cher.

En dehors de l’écosystème OpenAI, Claude Opus 4.7 est un choix courant pour le codage intensif, le raisonnement et les travaux STEM. Google Gemini 3.1 Pro rivalise de près, avec une fenêtre de contexte d’un million de tokens pour les grandes bases de code et les longs documents.

Pour les agents de codage en particulier, le modèle GPT-5.3-Codex d’OpenAI est son modèle de codage le plus performant. Il exécute de longues tâches mêlant recherche, utilisation d’outils et exécution, et vous pouvez le piloter pendant qu’il travaille. Il domine les benchmarks comme SWE-Bench Pro et Terminal-Bench 2.0, qui testent le vrai génie logiciel et le travail en ligne de commande.

Nous avons benchmarké et comparé les principaux modèles d’IA pour vous aider à comprendre leurs performances en matière de raisonnement, de vitesse et de coût, afin que vous puissiez choisir celui qui correspond le mieux à vos objectifs.

Outils

Viennent ensuite les outils qui étendent les capacités du modèle, par exemple en lui permettant de rechercher sur le web ou d’interagir avec d’autres systèmes.

Presque n’importe quelle application peut devenir un outil pour votre IA. Vous pouvez la connecter à Gmail, Calendar, votre drive, ou à des applications comme Slack, Discord, YouTube, Salesforce et Zapier. Vous pouvez même créer vos propres outils personnalisés.

Avec le OpenAI Agents SDK (qui nécessite un peu de code), vous pouvez définir des outils ou utiliser des outils intégrés comme la recherche web, la recherche de fichiers et l’utilisation de l’ordinateur.²

MCP (Model Context Protocol) d’Anthropic simplifie également l’intégration des outils en standardisant la manière dont les modèles y accèdent. En 2026, la valeur commerciale provient de plus en plus de « chaînes d’assemblage numériques », des workflows en plusieurs étapes guidés par l’humain où plusieurs agents exécutent des processus de bout en bout, rendus possibles par le Model Context Protocol (MCP).

Si vous n’aimez pas coder, les plateformes no-code comme n8n vous permettent de glisser-déposer des outils pour les associer à votre modèle.

Connaissances et mémoire

Il existe deux principaux types de mémoire : la base de connaissances (mémoire statique) et la mémoire persistante.

• La base de connaissances donne à votre IA l’accès à des faits statiques, des politiques et des documents qui restent relativement inchangés. C’est essentiel pour les agents exécutant des tâches pilotées par des politiques ou spécifiques à une entreprise où les documents de référence doivent rester cohérents.
  
• La mémoire persistante permet à l’IA de se souvenir des interactions passées entre les sessions. C’est crucial pour les chatbots ou les assistants personnels qui doivent se rappeler les conversations précédentes.

OpenAI propose des services hébergés comme les vector stores, la recherche de fichiers et les embeddings pour gérer la mémoire.

Si vous préférez les solutions open-source, Pinecone (cloud-native et optimisé pour la recherche vectorielle) et Weaviate sont des options populaires.

Pour ceux qui utilisent des outils no-code, la gestion de la mémoire est généralement intégrée aux plateformes comme n8n et Creatio.

Garde-fous

Les garde-fous garantissent que votre agent se comporte comme prévu, en évitant les réponses non pertinentes, nuisibles ou inappropriées. Par exemple, un bot de service client doit rester concentré sur les sujets liés au service, et non dériver vers des sujets sans rapport.

En dehors de l’écosystème OpenAI, les outils populaires comprennent Guardrails IA et les garde-fous LangChain. De nombreuses plateformes no-code intègrent des fonctionnalités de garde-fous, mais il reste important de comprendre leur fonctionnement pour garder le contrôle et la conformité de vos agents.

Compétences

Les outils permettent à un agent d’agir sur le monde extérieur. Les compétences lui apprennent à bien faire un travail précis.

Une compétence est un petit dossier d’instructions et de fichiers. Elle contient les étapes, règles et exemples d’une tâche, comme remplir un modèle de rapport ou suivre la charte de style d’une entreprise. L’agent charge une compétence lorsque la tâche le demande, afin de ne pas encombrer la fenêtre de contexte.

Anthropic a présenté les Agent Skills fin 2025 et a ouvert le format en tant que standard partagé en mars 2026.³ Les compétences fonctionnent sur Claude.ai, Claude Code et l’API. Le principal avantage est la cohérence : au lieu de réécrire le même long prompt à chaque fois, une équipe définit une compétence une fois et la réutilise. Cela compte en production, où le prompting ad hoc a tendance à dériver.

En quoi les compétences diffèrent des autres composants :

• Les outils connectent l’agent aux systèmes extérieurs (e-mail, bases de données, recherche).
• Les connaissances et la mémoire donnent des faits à lire à l’agent.
• Les compétences donnent à l’agent une méthode reproductible pour une tâche.

Orchestration

Le dernier composant est l’orchestration. Cela consiste à gérer la manière dont plusieurs sous-agents collaborent, à les déployer en production et à surveiller leurs performances.

Une fois déployés, les agents ont besoin d’une supervision continue. Les modèles, les données et les comportements changent, les agents ont donc besoin de mises à jour régulières.

Plusieurs plateformes et frameworks prennent en charge l’orchestration, notamment :

• Plateformes low-code/no-code :
  • Stack AI
  • Microsoft Copilot Studio Agent Builder
  • Relevance IA, etc.
• Frameworks open source :
  • LangGraph (qui fait partie de LangChain) : modélise un agent sous forme de graphe d’étapes, avec un contrôle explicite des branchements, des reprises et des points de validation humaine.
  • CrewAI : organise les agents comme une « équipe » de rôles, tels que chercheur, rédacteur et relecteur. Il permet de prototyper rapidement lorsque le travail se divise en rôles clairs.
  • LlamaIndex : le plus performant pour les agents qui effectuent des recherches dans des documents et des bases de connaissances internes.
  • SDK de fournisseurs : l’Agents SDK d’OpenAI et le Claude Agent SDK d’Anthropic sont des boîtes à outils officielles pour créer des agents sur les modèles de chaque fournisseur. Le Claude Agent SDK est la même architecture qui alimente Claude Code.

Blocs de construction de l’automatisation : workflows vs agents

Un agent IA est un système qui perçoit son environnement, traite des informations et prend des actions de manière autonome pour atteindre des objectifs précis, comme les agents de codage tels que Cursor ou Windsurf, des éditeurs de code dopés à l’IA dotés de « modes agent » capables d’exécuter des tâches de codage de façon autonome à l’aide de modèles comme Claude Opus 4.7. Un autre exemple courant est celui des agents de service client, que de nombreuses entreprises utilisent pour traiter les demandes.

Il existe de nombreuses façons de concevoir et de déployer ces agents, selon la complexité du workflow et le degré d’autonomie requis.

Pour donner un aperçu rapide, un agent IA est souvent un ensemble de sous-agents, chacun effectuant des tâches précises. Together, ces sous-agents se coordonnent au sein de systèmes multi-agents pour offrir ce que nous percevons comme un seul agent IA.

Ils sont fondamentalement différents des workflows. Les workflows sont des séquences orchestrées d’étapes prédéfinies, comme une recette qui suit toujours le même ordre :

Quand utiliser des agents IA

Avant les exemples de workflows, voici une rapide vérification de la réalité. Les agents ne sont pas toujours la solution. De nombreuses équipes obtiennent encore de bons résultats avec de simples workflows, même sur des tâches où un agent pourrait, en théorie, fonctionner. De nombreuses équipes constatent encore que les workflows traditionnels donnent de bons résultats, même dans des scénarios où des agents pourraient, en théorie, être appliqués.

L’une des façons les plus claires de penser à cela, décrite dans le blog d’Anthropic, est la suivante :

Cela dit, il existe de vraies situations où les agents surpassent les workflows traditionnels pour des tâches exigeant flexibilité, raisonnement et adaptabilité :

Conversations dynamiques nécessitant des adaptations :

Certaines interactions, comme les demandes de remboursement de base ou de réinitialisation de mot de passe, s’intègrent parfaitement dans des workflows. Mais d’autres exigent un jugement nuancé ou des décisions sensibles au contexte, telles que des recommandations personnalisées, qui dépendent fortement du contexte et d’un raisonnement par allers-retours.

Prise de décision à forte valeur et faible volume :

Les agents peuvent être coûteux à exécuter, mais dans certains cas, les décisions qu’ils soutiennent sont bien plus coûteuses si elles sont mal prises.

Par exemple, BCG a signalé qu’un grand fournisseur d’énergie en Allemagne utilisait un outil agentique piloté par l’IA générative pour automatiser les revues de paiement.⁴

Si vous planifiez une infrastructure à grande échelle, comme l’optimisation de conceptions techniques, le coût du calcul est négligeable. Dans ces cas à enjeu élevé, les agents apportent de la valeur car le coût de l’erreur dépasse de loin le coût d’exécution du modèle.

Workflows en plusieurs étapes et imprévisibles :

Certains workflows sont trop complexes, et l’écriture de règles interminables « si ceci, alors cela » devient un projet en soi.

Dans ces cas, les boucles agentiques simplifient le chaos. Au lieu de coder en dur tous les chemins possibles, le modèle décide dynamiquement de l’étape suivante en fonction du contexte et du raisonnement en temps réel.

Cette approche fonctionne bien pour les systèmes de diagnostic ou les outils qui gèrent des dizaines de variables changeantes.

Quand les workflows sont préférables

Scénarios à haute fréquence et faible complexité :

Certaines tâches dépendent davantage de la vitesse et de l’échelle que du raisonnement, comme :

• Récupérer des informations depuis une base de données
• Analyser des messages ou des e-mails structurés
• Répondre à des requêtes de type FAQ

Un workflow pourrait traiter des milliers de ces requêtes, avec un coût et une latence plus prévisibles qu’un agent.

Introduction aux workflows et aux implémentations d’agents IA

Les agents IA ne sont généralement pas une entité unique. Ils sont plutôt composés de divers sous-agents qui interagissent entre eux. L’une des meilleures ressources que j’ai trouvées sur les workflows courants et les systèmes d’agents est le guide Building Effective Agents d’Anthropic.⁵

Au cœur des systèmes agentiques se trouve ce qu’Anthropic appelle le LLM augmenté. Cette structure se compose de trois éléments clés :

• l’entrée,
• le LLM (LLM),
• et la sortie.

Source : Anthropic⁵

Le LLM augmenté est capable de générer ses propres requêtes de recherche, de sélectionner les outils pertinents et de décider quelles informations stocker en mémoire.

Vous remarquerez peut-être des similitudes avec les composants d’OpenAI (décrits ci-dessous). Cependant, cette version est plus simplifiée et ne comporte pas d’éléments comme les garde-fous et l’orchestration, mais la structure de base reste la même. C’est tout à fait acceptable. Pour des tâches comme les tests et le déploiement, il est préférable de se référer aux composants d’OpenAI.

Liste des composants d’agents IA d’OpenAI¹

Pour comprendre comment ces sous-agents s’assemblent et interagissent pour former un agent IA plus vaste, je commence par les workflows les plus simples, puis j’évolue progressivement vers des systèmes plus complexes et entièrement autonomes :

1. Workflows agentiques simples (chaînage de prompts)

Le workflow agentique le plus simple s’appelle le chaînage de prompts. Dans ce processus, une tâche est décomposée en une série d’étapes, où chaque sous-agent traite la sortie du précédent.

À la base, il fonctionne comme une chaîne d’assemblage, mais vous pouvez introduire des points de décision pour rediriger le flux si nécessaire. Le schéma général reste le même : une entrée est traitée par un sous-agent, qui transmet le résultat à un autre sous-agent pour un traitement supplémentaire, et ainsi de suite, jusqu’à ce que la sortie finale soit produite. Cette méthode est particulièrement utile pour les tâches qui peuvent être facilement découpées en sous-tâches plus petites et séquentielles.

Le workflow de chaînage de prompts⁵

Exemple concret :⁶

Chaînage de prompts dans n8n (plan, évaluation et publication dans des sheets)

Dans l’exemple ci-dessus, l’utilisateur saisit un sujet dans la fenêtre de chat n8n. Chaque nœud LLM utilise le modèle Azure OpenAI.

Le premier LLM génère un plan structuré pour un article de blog. Le prompt du rédacteur de plan est le suivant :

Capture d’écran du prompt pour le LLM générateur de plan

Où {{ $json.chatInput }} fait référence au sujet saisi par l’utilisateur dans la fenêtre de chat.

La variable {{ $json.chatInput }} est grise car le workflow n’a pas encore été exécuté. Si nous avions exécuté ou testé le nœud, elle serait verte ou rouge, selon la validité de la variable.

Ensuite, le LLM suivant évaluera le plan en fonction de critères clés dans la section du message système. Le prompt se trouve ci-dessous :

Le LLM final du rédacteur de blog ajoutera une ligne dans une feuille sur le sujet, en se basant sur le plan créé par le LLM précédent.

Capture d’écran du prompt pour le LLM du rédacteur de blog

Quand utiliser le chaînage de prompts :

• Les tâches peuvent être naturellement décomposées en sous-tâches fixes et séquentielles
• Chaque étape contribue de manière significative à la sortie finale
• Le raisonnement étape par étape améliore la précision par rapport à un traitement direct
• Des points de contrôle qualité sont nécessaires tout au long du processus

2. Workflow de routage

Le routage est un autre type de workflow dans lequel une entrée est reçue et un sous-agent est chargé d’orienter cette entrée vers la tâche de suivi appropriée. Chaque tâche est ensuite traitée par un sous-agent spécialisé dans ce domaine, et une fois les tâches terminées, la sortie finale est générée.

Un exemple classique de routage s’observe dans les bots de service client. Le bot peut recevoir différents types de requêtes, comme des demandes générales, des demandes de remboursement ou des problèmes de support technique. Le premier sous-agent identifie la nature de la requête et la route vers le sous-agent spécialisé dans le traitement de ce problème particulier.

Par exemple, si la requête concerne un remboursement, elle est routée vers le sous-agent spécialiste des remboursements, tandis qu’une question de support technique est dirigée vers le sous-agent de support technique.

Un autre exemple consiste à router les questions vers différents modèles en fonction de leurs points forts. Pour les questions STEM plus complexes, vous pouvez router l’entrée vers un modèle de raisonnement puissant comme Claude Opus 4.7. Pour des requêtes simples et rapides, vous pouvez la router vers un modèle plus léger comme Gemini 3.5 Flash, conçu pour la vitesse.

Exemple concret :⁷

Dans l’exemple ci-dessus, l’agent route la saisie de l’utilisateur vers des agents spécialisés (comme un agent de rappel, un agent e-mail, etc.) à l’aide d’une sortie structurée d’un modèle de langage.

Le routeur est connecté à GPT 4o mini. Le prompt et les catégories sont les suivants :

Capture d’écran des paramètres du nœud d’agent IA

Exemples de cas d’usage :

Vous pouvez saisir une requête dans la fenêtre de chat n8n. Par exemple :

• L’utilisateur dit : « Rappelle-moi d’appeler ma mère demain. »
  → Routée vers l’agent de rappel
• L’utilisateur dit : « Envoie un e-mail à l’équipe RH. »
  → Routée vers l’agent e-mail
• L’utilisateur dit : « Planifie une réunion avec John la semaine prochaine. »
  → Routée vers l’agent de réunion

Quand utiliser le routage :

• Types d’entrée diversifiés : votre système reçoit différents types de requêtes qui gagnent à être traitées de manière spécialisée
• Optimisation des ressources : vous souhaitez assigner les requêtes simples à des processeurs économiques tout en routant les demandes complexes vers des systèmes avancés
• Spécialisation par domaine : différentes catégories d’entrées exigent une expertise ou une logique de traitement spécifiques au domaine
• Optimisation des performances : vous devez équilibrer la charge et garantir des temps de réponse optimaux entre les différents types de requêtes

3. Workflow de parallélisation

Le workflow suivant est la parallélisation. Ce workflow agentique possède généralement deux variantes principales. Dans la parallélisation, plusieurs sous-agents travaillent simultanément sur une tâche, puis leurs sorties sont combinées.

• La première variante est appelée sectionnement, où une tâche est décomposée en sous-tâches indépendantes exécutées en parallèle.
• La deuxième variante est le vote, où la même tâche est effectuée plusieurs fois par différents sous-agents pour produire des sorties diverses, ensuite agrégées.

Cela accélère les grands workflows en exécutant des tâches indépendantes en même temps.

Workflow séquentiel vs workflow parallèle : une comparaison des temps⁸

Exemple concret :⁸

Capture d’écran de l’exemple de workflow de parallélisation dans n8n

L’exemple d’exécution parallèle dans n8n illustre une tâche où le workflow interroge la recherche Google à l’aide de la SERP API pour récupérer des URL LinkedIn et les stocker dans une feuille Google. Dans la configuration initiale, le workflow traite chaque tâche de manière séquentielle, un site web à la fois :

1. Le workflow est déclenché.
2. L’outil Get récupère le site web dans la feuille Google.
3. L’agent IA utilise la SERP API pour rechercher sur Google et récupérer l’URL LinkedIn.
4. L’URL LinkedIn est ensuite mise à jour dans la feuille Google.

À ce stade, les tâches sont traitées l’une après l’autre, ce qui peut être lent lorsqu’on traite de grands datasets.

n8n possède une fonctionnalité qui vous permet de sélectionner des nœuds, de cliquer, puis de dire que vous souhaitez convertir ces nœuds sélectionnés en sous-workflow.

Et ce qui se passe, c’est que lorsque vous cliquez sur ce bouton, il va nommer mon workflow. Lorsque vous appuyez sur confirmer, il transforme tout cela en sous-workflow, le relie juste ici et il est appelé par cet élément.

Le sous-workflow créé

Donc n8n a transformé cela en sous-workflow, mais vous n’avez pas encore de parallélisation car il continuerait de tout exécuter par ici.

Pour que cela s’exécute réellement en parallèle, tous les éléments doivent s’exécuter comme des exécutions individuelles. Ainsi, lorsque vous cliquez sur le nœud, vous pouvez choisir « exécuter une fois pour chaque élément », ce qui signifie qu’il va appeler le sous-workflow individuellement pour chaque élément.

Et une fois que vous avez modifié cela, vous pouvez aller dans le sous-workflow et cliquer sur les exécutions. Vous verrez alors que les trois éléments s’exécutent exactement au même moment.

Quand utiliser la parallélisation : la parallélisation est plus efficace lorsque les tâches peuvent être divisées en sous-tâches plus petites et indépendantes pouvant s’exécuter simultanément, ce qui améliore la vitesse et l’efficacité.

Elle est également utile lorsque plusieurs perspectives ou tentatives répétées sont nécessaires pour renforcer la confiance dans les résultats. Pour les problèmes comportant plusieurs parties ou critères de notation, les modèles réussissent souvent mieux lorsque chaque partie fait l’objet d’un appel distinct. Cela permet de garder chaque appel concentré, ce qui rend le raisonnement plus précis.

4. Workflow orchestrator workers

Le workflow suivant, qui devient plus complexe, est le motif orchestrator–worker.

L’architecture orchestrator–worker rend vos workflows n8n modulaires, évolutifs et adaptatifs, transformant une automatisation unique et rigide en un système composable d’agents coopératifs.

À première vue, cela peut ressembler à la parallélisation puisque plusieurs sous-agents peuvent être actifs, mais la distinction clé est la flexibilité. Contrairement à la parallélisation, la configuration orchestrator–worker ne repose pas sur une liste fixe de sous-tâches. Au lieu de cela, l’orchestrateur décide dynamiquement des tâches à effectuer, les assigne aux agents workers et gère leur coordination tout au long du processus.

Exemple concret :⁹

Capture d’écran de l’exemple de workflow orchestrator-workers dans n8n

Dans l’exemple ci-dessus, le brief est collecté une seule fois et un orchestrateur route le travail vers plusieurs agents spécialisés.

L’agent CEO agit comme le LLM orchestrateur. Il traite le brief d’entrée, l’affine pour chaque département, sélectionne les agents workers à activer et détermine comment leurs sorties seront intégrées. Il peut décider d’appeler un, deux ou tous les workers selon le contexte et les contraintes.

Capture d’écran du nœud CEO Agent

Ci-dessous, trois agents workers, Marketing, Operations et Finance, exécutent chacun leur propre modèle de chat OpenAI avec des configurations de mémoire et d’outils distinctes. Cela permet des prompts spécifiques au département et des schémas JSON pour une sortie structurée.

Capture d’écran des trois nœuds d’agents workers

Une fois que l’orchestrateur a préparé les instructions spécifiques à chaque département, il invoque chaque worker comme un outil pour générer des sorties basées sur les entrées.

Par exemple, l’agent Marketing crée des campagnes (nom, canal, KPI).

Nœud d’outil IA (agent Marketing)

Après la génération des sorties des workers, le CEO Agent compile et fusionne les réponses des départements en un plan unique et cohérent. Le workflow écrit ensuite le plan dans un document Google, ajoute des métadonnées, le convertit en PDF et le téléverse automatiquement pour partage ou révision.

Capture d’écran des nœuds de création de document, de conversion et de téléversement

Lors de l’exécution, l’orchestrateur détermine les agents à activer, coordonne leur collaboration et combine leurs sorties en un rapport complet, démontrant comment les workflows orchestrator–worker permettent des systèmes d’IA flexibles, modulaires et composables.

Quand utiliser le workflow orchestrator workers : cette approche est particulièrement utile pour résoudre des problèmes ouverts ou évolutifs dont les étapes nécessaires ne peuvent pas être connues à l’avance.

Exemples où le workflow orchestrator–worker est utile :

• Tâches de codage : lors du développement ou du débogage de produits logiciels complexes qui nécessitent des modifications coordonnées dans plusieurs fichiers, où les fichiers et les modifications exacts peuvent être déterminés pendant l’exécution.
• Recherche et collecte d’informations : dans les tâches qui impliquent de rechercher, collecter et analyser des données provenant de sources multiples, où les informations pertinentes ne peuvent pas être entièrement identifiées à l’avance et doivent être découvertes dynamiquement.

5. Workflow évaluateur-optimiseur

Encore plus complexe est le workflow évaluateur-optimiseur. Cette configuration évolue vers un comportement plus autonome, donnant au sous-agent ou à l’agent IA une plus grande liberté pour décider des actions à entreprendre et de la manière d’améliorer ses propres sorties.

Vous commencez avec une entrée, et le premier sous-agent génère une solution proposée. Cette sortie est ensuite transmise à un sous-agent évaluateur, qui examine le résultat. Si l’évaluateur le juge satisfaisant, la sortie est finalisée. Mais s’il détermine que le résultat n’est pas assez bon, il le renvoie au premier sous-agent avec des retours précis pour l’améliorer.

Cela crée une boucle de rétroaction continue dans laquelle l’optimiseur affine itérativement sa sortie jusqu’à ce que l’évaluateur détermine qu’elle répond aux normes de qualité requises.

Exemple concret :¹⁰

Pour cet exemple, j’ai parcouru une simulation en Python, plutôt qu’un outil no-code, afin de montrer directement les schémas d’évaluation, la logique personnalisée et les boucles itératives.

Ce n’est pas une configuration complète. Pour exécuter le workflow évaluateur-optimiseur de bout en bout, vous aurez besoin d’une configuration d’environnement adéquate, de l’initialisation du modèle et de la configuration des schémas, etc.

Vous pouvez également implémenter une boucle évaluateur-optimiseur à l’aide d’outils d’automatisation de workflow qui prennent en charge des nœuds d’évaluation.

Workflow évaluateur-optimiseur avec Python :

Un exemple de boucle évaluateur-optimiseur, un motif courant dans les systèmes d’IA auto-réfléchissants ou les workflows agentiques

Ce workflow représente une boucle automatisée de génération et d’évaluation de contenu où deux composants collaborent : l’un crée, l’autre révise. Il garantit que les sorties respectent les normes de qualité avant la finalisation.

Explication étape par étape :

• Initialiser l’entrée : créez initial_state = {“content_topic”: topic}.
• Exécuter la boucle : appelez evaluator_optimizer_workflow.invoke(initial_state) qui, de manière itérative :
  • génère/affine le contenu,
  • évalue la qualité,
  • répète jusqu’à approbation ou jusqu’à une limite maximale d’itérations.
• Journaliser le résultat : affichez le message de fin et le generated_content approuvé.
• Renvoyer les résultats : le dict final_state (par ex., content_topic, generated_content, quality_assessment).

Visualisation du workflow :

Boucle évaluateur-optimiseur avec les résultats Python : chaque cycle utilise les retours précédents pour améliorer le contenu. La boucle produit finalement un contenu qui répond à la norme de qualité :

Quand utiliser le workflow évaluateur-optimiseur : ce workflow est particulièrement utile lorsqu’il existe des critères d’évaluation clairs et lorsque l’affinage itératif peut conduire à des améliorations significatives de la qualité.

Exemples où le workflow évaluateur-optimiseur est utile :

• Par exemple, dans une tâche de traduction littéraire, le premier essai peut manquer certaines nuances linguistiques ou certains tons émotionnels. L’évaluateur fournira des retours et demandera des révisions jusqu’à ce que la traduction capture pleinement le sens voulu et les subtilités du texte original.
• Un autre exemple est l’agrégation complexe de recherches, où l’optimiseur recueille et résume les informations tandis que l’évaluateur vérifie la profondeur, l’exhaustivité et l’exactitude. Si l’évaluateur juge la recherche insuffisante, il la renvoie pour un travail supplémentaire jusqu’à ce que le rapport final réponde à toutes les exigences et synthétise efficacement les informations nécessaires.

6. Implémentation d’un agent véritablement autonome

Et enfin, il y a l’implémentation d’un agent véritablement autonome. Ce type de système est conceptuellement simple, mais il peut produire des comportements très divers et complexes en pratique.

L’agent commence son fonctionnement avec une intervention humaine minimale, généralement une seule instruction ou un objectif. Une fois la tâche définie, il fonctionne de manière indépendante, en prenant des actions et en observant leurs effets sur l’environnement.

Une caractéristique clé de cette approche est l’auto-évaluation : l’agent doit déterminer, à partir des retours de l’environnement, si ses actions le rapprochent de l’objectif. Par exemple, s’il exécute du code ou utilise des outils externes, il doit évaluer si ces actions contribuent au progrès ou si des ajustements sont nécessaires. Ce cycle piloté par les retours se poursuit jusqu’à ce que l’agent détermine que l’objectif a été atteint ou qu’aucun progrès supplémentaire n’est possible.

Exemple concret :

Dans notre benchmark des outils de codage IA, nous avons observé que Windsurf et Cursor ont démontré des capacités agentiques en créant de manière autonome des structures de fichiers, en modifiant plusieurs fichiers et en exécutant des commandes terminal pour déployer des APIs sur Heroku.

Windsurf s’est même adapté aux récentes évolutions de la plateforme : lorsqu’il a découvert que l’add-on PostgreSQL Hobby Dev était déprécié, il a correctement reconfiguré le déploiement pour utiliser PostgreSQL Essential 0.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Résumé

Construire des agents IA consiste moins à atteindre une autonomie totale qu’à créer des systèmes utiles, transparents et fiables. De nos expériences dans n8n et des enseignements tirés des guides d’Anthropic et d’OpenAI, nous avons constaté que les agents efficaces proviennent de choix de conception.

Lorsque nous implémentons des agents, nous concentrons sur trois principes directeurs :

• Gardez l’architecture simple. Commencez petit, construisez de manière modulaire et introduisez de la complexité lorsqu’elle améliore clairement les performances ou la flexibilité.
• Rendez le processus de raisonnement visible. Permettez aux utilisateurs et aux développeurs de voir comment l’agent planifie et prend des décisions, améliorant ainsi l’interprétabilité et le contrôle.
• Assurez des interactions fiables avec les outils. Concevez des outils clairement délimités, bien documentés et testés afin que les agents puissent agir de manière cohérente dans des environnements réels.

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and PhD., Ezgi Arslan,},
  title  = {{Créer des agents IA avec des motifs composables}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/building-ai-agents}},
  note   = {AIMultiple. Consulté le 29 Juillet 2026}
}

Journal des modifications

3 mises à jour

1. 20266 Fév

   Suppression de la section « Éléments constitutifs de l'automatisation : Workflows vs agents ».

2. 5 Fév

   Mise à jour du modèle vers Claude Sonnet 4.5 dans l'introduction.

3. 202524 Oct

   Remplacement de la description du flux de travail orchestrateur-travailleur dans la section Orchestrator workers workflow.

Liens de référence

1.

Agents SDK | OpenAI API

2.

OpenAI Agents SDK

3.

PurpleBox Website

PurpleBox Security

4.

How Four Companies Use AI for Cost Transformation | BCG

Boston Consulting Group

5.

Building Effective AI Agents \ Anthropic

6.

Generate blogs with GPT-4o prompt chaining: outline, evaluate & publish to Sheets | n8n workflow template

7.

Route user requests to specialized agents with GPT-4o Mini | n8n workflow template

8.

n8n Parallel Execution and Sub Workflows for Faster Modular Automation - YouTube

9.

Collaborative sales planning with multi-agent AI, Google Docs, and Slack | n8n workflow template

10.

Agentic AI Workflow Patterns: Evaluator-Optimizer (4/4) | by Piyush Agnihotri | The Advanced School of AI | Medium

The Advanced School of AI

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017.

Le travail de Cem chez AIMultiple a été cité par des publications mondiales de premier plan, notamment Business Insider, Forbes, Morning Brew et Washington Post, par des entreprises mondiales comme Deloitte et HPE, par des ONG comme World Economic Forum et par des organisations supranationales comme European Commission. [1], [2], [3], [4], [5]

Tout au long de sa carrière, Cem a été consultant en technologies, acheteur de technologies et entrepreneur technologique. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus de dix ans. Il a également publié un rapport McKinsey sur la digitalisation.

Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité du PDG. Il a également dirigé la croissance commerciale de l'entreprise de technologie profonde Hypatos, qui a atteint un revenu récurrent annuel à 7 chiffres et une valorisation à 9 chiffres, passant de 0 à ce résultat en deux ans. Le travail de Cem chez Hypatos a été couvert par des publications technologiques de premier plan comme TechCrunch et Business Insider.

Cem intervient régulièrement lors de conférences technologiques internationales. Il est diplômé de Bogazici University en tant qu'ingénieur informatique et titulaire d'un MBA de la Columbia Business School.

Voir le profil complet

Recherche effectuée par

Ezgi Arslan, PhD.

Analyste du secteur

Suivre

Ezgi est titulaire d'un doctorat en administration des affaires avec une spécialisation en finance et travaille comme analyste du secteur chez AIMultiple. Elle pilote la recherche et les analyses à l'intersection de la technologie et des affaires, avec une expertise couvrant la durabilité, les enquêtes et l'analyse des sentiments, les applications d'agents IA dans la finance, l'optimisation des moteurs de réponse, la gestion des pare-feu et les technologies d'approvisionnement.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire